基于结构MRI与群体时空先验的阿尔茨海默病个体化进展预测模型研究

《Frontiers in Aging Neuroscience》：Forecasting individualized progression of Alzheimer’s disease using structural MRI and population spatiotemporal priors

本文提出了一种基于进展图引导的生成对抗网络（pg-GAN），通过融合群体水平的纵向磁共振成像（MRI）数据构建时空先验，显著提升了个体化阿尔茨海默病（AD）进展预测的精度。该方法利用残差图和边缘图捕捉脑结构动态变化，通过特征级融合模块（FFM）将先验信息嵌入生成器，在ADNI数据集上验证显示归一化均方根误差（NRMSE）降低至0.1549，峰值信噪比（PSNR）提升至26.3157?dB，为AD精准诊疗提供了可视化工具。

　　

引言

阿尔茨海默病（Alzheimer’s Disease, AD）作为最常见的神经退行性疾病，全球约3000万人受其影响。其病理特征表现为神经元渐进性丧失，伴随海马萎缩、脑室扩大等脑结构变化，这些异常在临床症状出现前20年即可通过结构磁共振成像（sMRI）检测。现有研究多将AD进展建模为分类（如区分进展性轻度认知障碍pMCI与稳定性MCI）或回归（预测认知评分）问题，但此类方法难以可视化个体层面的动态时空演变规律。生成对抗网络（GAN）的出现为图像级疾病预测开辟了新途径，然而如何生成具有高解剖保真度的未来MRI仍是挑战。

方法

本研究创新性地提出进展图引导的生成对抗网络（pg-GAN）。首先，通过计算群体基线期与随访期sMRI的体素强度残差平均值，构建残差图形式的进展图（如1年期和4年期），并进一步应用Sobel算子生成边缘图以突出关键变化。这些三维进展图作为时空先验，通过设计的特征级融合模块（FFM）嵌入U-Net结构的生成器：该模块通过卷积层从进展图提取缩放参数（γ_m）和偏移参数（β_m），对基线MRI特征进行仿射变换（公式：F_out= γ_m(Map) ⊙ F_in⊕ β_m）。同时设计多视角融合模块（MFFM）整合年龄、性别等属性信息（公式：F_out= (γ_a(attr)+γ_m(Map)) ⊙ F_in⊕ (β_a+β_m)）。判别器采用四层卷积层与全连接层结构，损失函数结合对抗损失（L_adv）和L₁重建损失（L_total= L_adv+ αL₁，α=60）。

实验与结果

基于ADNI数据集的210名参与者（108男/102女）的3T-sMRI数据，随机划分训练/验证/测试集（170:20:20）。预处理包括颅骨剥离、MNI空间配准、图像裁剪（180×196×180）及强度归一化。定量评估显示：

1. 1.
   近期预测（1年后）：边缘图引导的pg-GAN（特征级融合）显著优于基线GAN（PSNR提升0.3804?dB）和属性条件模型（FiLM-GAN），误差图显示其皮质边界重建更准确；
2. 2.
   长期预测（4年后）：相同模型仍保持最优（NRMSE=0.1602，SSIM=0.9315），但误差大于近期预测，反映长期变化的复杂性；
3. 3.
   多阶段预测：单一模型同时生成1年/4年后MRI，pg-GAN的PSNR（26.3157?dB）显著高于属性条件模型（p<0.05），证明时空先验的有效性。

讨论与展望

本研究首次将群体水平的脑结构时空变化量化为进展图，并通过特征调制策略提升了个体化预测的解剖真实性。边缘图因过滤冗余信息而表现优于残差图，特征级融合较图像级拼接更能保留细节。未来可探索亚组特异性进展图、高分辨率MRI生成、以及结合弹性配准技术优化脑形态对应关系，推动AD、骨质疏松等慢性病的纵向影像分析。